Estimación de los efectos de la publicidad en las ventas. Un … · 2019-02-19 · Estimación de...

Estimación de los efectos de la publicidad en las ventas. Un análisis empírico en España y Alemania.

Estimation of the effects of advertising on sales. Empirical analysis in Spain and Germany.

Joaquín Sánchez Herrera Doctor en Ciencias de la Información y profesor de la Universidad Complutense de Madrid. [email protected]

Teresa Pintado Blanco Doctora en Ciencias de la Información y profesora de ESIC Business & Marketing School. [email protected]

María Avello Iturriagagoitia Doctora en Economía y profesora de la Universidad Complutense de Madrid. [email protected]

Carmen Abril Barrie Doctora en Economía y profesora de la Universidad Complutense de Madrid. [email protected]

aDResearch_No3.indb 64 04/01/11 9:12

La realización de modelos fiables ha sido una de las mayores preocupaciones del proceso de planificación de marketing en general, y de la comunicación, en particular. Aunque algunas de las técnicas utilizadas hasta el momento podían aplicarse para tal fin, lo cierto es que sus resultados no siempre han satisfecho las expectativas de los responsables en las empresas.

En esta investigación se plantea la necesidad y la posibilidad de conocer la influencia de la publicidad en las ventas, aunque también podría aplicarse a otras variables del marketing. Para ello, se han utilizado datos de panel con una perspectiva interna-cional, profundizando en los casos de España y Alemania. El análisis se ha llevado a cabo por medio de redes neuronales, cuyas características las hacen idóneas para la resolución de este tipo de problemas.

Making reliable models has been one of the greatest concerns of the planning

process in marketing in general, and communication in particular. Although some

of the techniques used until now can be applied to such an end, the truth is that

their results have not always satisfied the expectations of the company’s mana-

gement.

In this investigation we propose the need and possibility of knowing the influence

of advertising on sales, although it could also be applied to other marketing varia-

bles. In order to do so, we have used panel data with an international perspective,

delving specifically into the cases of Spain and Germany. The analysis has been ca-

rried out by means of neuronal networks, whose characteristics make them ideal

for solving these kinds of problems.

RESUMEN

ABSTRACT

Clasificación JEL: M31, M37Palabras clave: publicidad, comunicación, ventas, GRPs, panel, redes neuronales artificiales (RNA)

JEL Classification: M31, M37Key words: advertising, communication, sales, GRPs, panel, artificial neuronal networks (ANN)

Joaquín Sánchez Herrera Doctor en Ciencias de la Información y profesor de la Universidad Complutense de Madrid. [email protected]

Teresa Pintado Blanco Doctora en Ciencias de la Información y profesora de ESIC Business & Marketing School. [email protected]

María Avello Iturriagagoitia Doctora en Economía y profesora de la Universidad Complutense de Madrid. [email protected]

Carmen Abril Barrie Doctora en Economía y profesora de la Universidad Complutense de Madrid. [email protected]


aDResearch ESIC66 Primer semestre, enero-junio 2011

1. IntroducciónLa relación de la publicidad con las ventas es

uno de los temas más ampliamente estudiados

desde hace años. Esto es así por la gran impor-

tancia que tiene para el anunciante, ya que las

inversiones en publicidad suelen ser elevadas y es

difícil poder saber con exactitud qué porcentaje

de ventas está asociado directamente a la realiza-

ción de una campaña. Por otra parte, este tema

también es estudiado debido a la gran variedad

de situaciones y variables que pueden afectar a

esa relación publicidad-ventas.

Además, desde la aparición de los primeros

paneles de detallistas y de consumidores, la acti-

vidad relacionada con la comunicación y el mar-

keting ha dispuesto de información cada vez más

rica y útil para el proceso de toma de decisiones.

En contraste con los micropaneles, de elevada

dimensión transversal y reducida profundidad

temporal, la posibilidad cada vez más evidente de

disponer de un número elevado de observacio-

nes temporales, ha ido desplazando la atención

hacia la modelización de los componentes de se-

ries temporales, modificando además los desa-

rrollos de las teorías tradicionales. No obstante,

la inclusión del tiempo como elemento inheren-

te a estos sistemas complica mucho su análisis,

estimación e interpretación. Además, es frecuente

que en marketing aparezcan relaciones no linea-

les entre las variables de interés (publicidad, pre-

cios, ventas, etc.), que no recogerían los modelos

tradicionales, y que exigirían un conocimiento

exhaustivo del funcionamiento de dichas varia-

bles. La pre-especificación, por tanto, de esas

relaciones supone uno de los inconvenientes

más serios en la extracción de información útil

para las decisiones del área de comunicación.

En el estudio aquí planteado, se toman como

referencia los datos de panel con el fin de realizar

un análisis de la relación “publicidad-ventas” uti-

lizando las redes neuronales artificiales. La apli-

cación al marketing en general, y la publicidad

en particular, de los modelos de redes neuro-

nales aún es escasa y plantea problemas de inter-

pretación que limitan su utilización abierta en

las decisiones relacionadas con estas materias.

2. Revisión teórica

2.1. Revisión de los estudios sobre la rela-ción publicidad-ventas

Son muchos los estudios realizados sobre la rela-

ción entre la eficacia de la publicidad y las ven-

tas, aunque es interesante indicar que gran parte

de ellos se centran en la década de los ’70 y ’80,

etapa cumbre de la modelización en el área de

marketing; profundizar en estos estudios es im-

portante, ya que han servido como base para los

análisis realizados en épocas posteriores.

Una de las investigaciones pioneras en este

sentido, es la realizada por Benesch, que analizó

cómo las modificaciones en la publicidad (ilus-

traciones, medios utilizados, posición del anun-

cio, utilización del color, además de otros ele-

mentos), podían influir en las ventas (Benesch,

1952). Años más tarde, se inició la etapa indica-

da anteriormente, en que la utilización de mode-

los empezó a ser habitual para estudiar estas re-

laciones. Así, Bass y Clarke emplearon diferentes

modelos para analizar el retardo que el efecto de

la comunicación tenía en las ventas de un pro-

ducto dietético para el control de peso (Bass &

Clarke, 1972). En esta misma época, se analiza-

ron los efectos de distintos tipos de comunica-

ción en las ventas de cinco marcas competido-

ras, dando como resultado diversas variaciones

sobre el modelo Koyck, muy utilizado para este

tipo de análisis (Beckwith, 1972). También se


67Estimación de los efectos de la publicidad en las ventas. Un análisis empírico en España y Alemania

estudió el efecto que la publicidad de una deter-

minada marca podía tener en las ventas de otra

marca diferente que se dirigía a un segmento de

mercado distinto, estudiándose así las posibles

relaciones entre marcas asociadas a públicos di-

versos (Clarke, 1973).

Por otra parte, en esta etapa dorada de la mo-

delización, también se analizaron los efectos acu-

mulativos de la publicidad en las ventas, de tal

manera que se verificó que el presupuesto inver-

tido en publicidad, en ocasiones producía resul-

tados a largo plazo (Helmer & Johny K. Johans-

son, 1977; Mann, 1975; Parsons, 1976). En este

sentido, también se estudiaron los efectos a corto

y medio plazo de la publicidad en el consumo

familiar, en vez de centrarse en el consumo indi-

vidual, como había sido habitual hasta entonces

(Winer, 1980).

Ya en los ’80, se realizaron análisis comparati-

vos, con el fin de estudiar las diferentes aporta-

ciones presupuestarias de los departamentos de

ventas y de publicidad, a la planificación de la

comunicación en quinientas empresas indus-

triales y de productos de gran consumo (Dubin-

sky, Barry & Kerin, 1981). Además, también se

estudió la publicidad comparativa, que hasta ese

momento había sido analizada desde el punto de

vista de las creencias, actitudes, intenciones, etc.,

que generaba en el consumidor, y que entonces

se analizó para profundizar en los efectos que

dicha publicidad comparativa tenía en las ventas

(Demirdjian, 1983).

Los experimentos han sido ampliamente utili-

zados para analizar la relación publicidad-ventas.

En uno de ellos, puesto en marcha en esta etapa,

se realizó un experimento con un test en una

ciudad, con el fin de analizar si tres niveles dife-

rentes de frecuencia en la publicidad (baja, me-

dia y alta) podían afectar a las compras reali-

zadas (bajas, medias y altas) por tres grupos

distintos de amas de casa (Farris & Reibstein,

1984). Además, a mediados de los ’80, la gran

variedad de modelos existentes para analizar la

relación de la comunicación con las ventas, hizo

que hubiese estudios específicos para profundi-

zar en la idoneidad de cada uno de esos métodos,

como ocurrió en el análisis realizado por Assmus,

Farley y Lehmann, que estudiaron 128 modelos

econométricos que analizaban el efecto de la pu-

blicidad en las ventas, tanto a corto como a largo

plazo (Assmus, Farley, & Lehmann, 1984).

Poco después, algunos investigadores detec-

tan que muchos estudios se centran en el gasto

presupuestario en publicidad en vez de en otros

aspectos, y empiezan a aparecer otros tipos de

investigaciones. Este es el caso del análisis efec-

tuado para estudiar la influencia de la calidad

de la publicidad en las ventas (Arnold, Oum,

Pazderka & Snetsinger, 1987). Y también el es-

tudio basado en los efectos que la publicidad

tiene en el ciclo de vida del producto, esto es, si

la publicidad afecta a que las ventas puedan alar-

gar esa vida del producto; este análisis en con-

creto se realizó con marcas individuales, marcas

que competían dentro de una misma categoría,

así como marcas de diferentes categorías, y en

todas ellas se percibió un efecto similar de la pu-

blicidad en el ciclo de vida del producto, siendo

éste decreciente y gradual (Holak & Tang, 1990).

Dada la importancia que la publicidad en tele-

visión iba cobrando, también empiezan a reali-

zarse estudios específicos para medir los efectos

de esta publicidad (en GRPs) en las ventas, y de

esta forma mejorar la asignación de presupues-

tos publicitarios a la televisión (Gold, 1992).

Además, en esta década de los ’90, aún eran de

interés los efectos retardados de la publicidad en

las ventas, y continuaban los estudios en este



sentido. De esta forma, en el mercado del petró-

leo se percibió que las ventas se debían tanto a la

publicidad pasada como a la actual, aunque se

detectó que los últimos meses eran más impor-

tantes que los años previos; además, también se

observó que la calidad de la publicidad era más

importante que la cantidad, lo cual afectaba de

forma directa a la inversión en los medios de co-

municación (Leach & Reekie, 1996). Como se

comentaba anteriormente, el análisis de los efec-

tos retardados de la publicidad en las ventas ha

sido ampliamente estudiado; sin embargo, hasta

este momento no se examina si ese efecto de re-

tardo es diferente según los medios de comuni-

cación a utilizar, confirmándose que efectiva-

mente, su influencia en las ventas es distinta

(Berkowitz, Allaway, & Souza, 2001).

Por otra parte, también se han comparado los

efectos que la publicidad en televisión y la pro-

moción tenían en las ventas, obteniéndose resul-

tados similares para ambos tipos de comunica-

ción (F. Hansen, L. Y. Hansen, & Grønholdt,

2002). Poco más tarde, se profundizó en los

efectos que la publicidad de tabaco tenía tanto

en el aumento de la cuota de mercado, como en

la transferencia de clientes de una marca a otra,

siendo uno de los resultados que la publicidad

de la competencia no tenía efecto sobre las ven-

tas de otras marcas diferentes (Gius, 2004). Sin

embargo, en otro estudio realizado poco después

para productos de alimentación congelados, se

comprobó cómo diferentes variables del marke-

ting afectaban a las ventas, y se verificó que la

publicidad ayudaba a aumentar las ventas de la

categoría, más que actuar de forma individual

y competitiva en cada una de las marcas (Dubé

& Manchanda, 2005).

A lo largo de esta década, el interés por los

resultados que la publicidad tenía en las ventas

continuó con un estudio basado en los efectos

dinámicos que la publicidad presente y pasada

podía tener en las ventas pasadas y futuras; en

este caso, el estudio se basaba en los intervalos

de tiempo necesarios para que esos efectos se

pudieran percibir, con el fin de establecer límites

en que poder confiar (Franses, 2006). Por otra

parte, también se analizó si la publicidad de la

competencia que aparecía como una interfe-

rencia en un consumidor habitual de una marca,

tenía resultados en las ventas de dicha marca; los

resultados demostraban que efectivamente era

así, y esa publicidad de interferencia podía ser

muy dañina para las compras realizadas habi-

tualmente (Danaher, Bonfrer, & Dhar, 2008).

En fechas más recientes también se ha estu-

diado cómo la publicidad puede afectar a las

ventas de los nuevos productos; en este sentido,

una de las investigaciones realizadas se ha cen-

trado en el lanzamiento de películas en DVD, y

se ha verificado que además de la publicidad pro-

piamente dicha, pueden existir otros factores

que pueden, o bien potenciarla, o bien moderar-

la, como es el caso de las Navidades, otras fechas

señaladas, los Oscar, etc. (Luan & Sudhir, 2010).

2.2. Los datos de panel en los estudios de comunicación y marketing

Utilizar los datos de panel donde se dispone de

observaciones repetidas sobre el mismo indivi-

duo permite especificar y estimar modelos de

marketing y de comunicación más complicados

y a veces más realistas, ya que se tienen en cuenta

tanto la sección cruzada en un momento, como

la serie de tiempo. Esto implica varios benefi-

cios, entre los que se pueden destacar (Baltagi,

1995):

a. Control de la heterogeneidad individual,

ya que en los datos de panel los casos son



heterogéneos. Si no se controla esta hete-

rogeneidad se corre el riesgo de obtener

resultados sesgados.

b. Los datos son más informativos, presentan

distintos tipos de variabilidades, se tiene

menos colinealidad entre las variables,

más grados de libertad y más eficiencia.

Por ejemplo, la mayoría de los estudios de

series de tiempo presentan el problema de

multicolinealidad. Esto es menos probable

si se adicionan las secciones cruzadas, ya

que incorporan variabilidad y son más in-

formativas.

c. Permiten identificar y medir efectos que

simplemente no se detectan con sólo una

sección cruzada o con sólo una serie de

tiempo.

Permiten construir y probar modelos de com-

portamiento más complicados que los modelos

que son para datos de sólo sección cruzada o de

series de tiempo.

En el área de comunicación y de marketing,

las aproximaciones al análisis de datos de panel

son muchas y muy variadas. Tras una serie de

documentos iniciales que abrieron camino en la

exploración (Bhargava, Franzini & Narendrana-

than, 1982; Breitung & Meyer, 1994; Qua, 1992

y 1994), Levin y Lin (1992) ampliarían sus tra-

bajos y Kwiatowski et al. (1992), Hadri (1998) y

Hadri (1999) propusieron nuevos mecanismos

para datos de panel basados en la hipótesis nula

de estacionariedad frente a la alternativa de no

estacionariedad. Además, Bernard y Jones

(1986) analizaron teorías de crecimiento y con-

vergencia, y Farris y Reibstein (1984) utilizaron

la experimentación apoyada con mediciones a

través de datos de paneles y datos de escáner

para analizar si tres niveles diferentes de frecuen-

cia en la publicidad podían afectar de forma dis-

tinta a las ventas. En el ámbito del análisis pro-

mocional, se encuentran las aportaciones de

Abraham y Lodish (1987); estos autores expu-

sieron un sistema y metodología que permitía

evaluar las promociones al canal de distribución

y las promociones dirigidas a los consumidores.

La evaluación era posible gracias a un sistema

experto que almacenaba información del pasado

para hacer ajustes en procesos posteriores (se-

mejante al modelo ARIMA). Además, para anali-

zar la influencia de la calidad de la publicidad en

las ventas también se midieron estos datos a tra-

vés de un panel (Arnold, Oum, Pazderka &

Snetsinger, 1987).

En 1987 Nielsen en Estados Unidos comien-

za a trabajar de forma masiva con datos del pa-

nel de detallistas en entorno escáner (Scan-

track). Desde ese momento serán sucesivas las

investigaciones que manejan a nivel empírico

datos procedentes de esa fuente. La primera de

ellas es publicada por un grupo de profesores

universitarios y estudioso de la multinacional

A.C.Nielsen: Wittink, Addona, Hawkes y Porter

(1987). Su trabajo propone y analiza el modelo

SCAN*PRO con el que se pretende estimar los

efectos de las promociones basándose en datos

de Nielsen provenientes del SCANTRACK. Otro

ejemplo de la importancia que iban adquirien-

do los datos escáner de aquellos años es el tra-

bajo de Capps (1989) en el que analiza empíri-

camente la demanda y las acciones de marketing

y promocionales para productos cárnicos utili-

zando estos datos. Tras un largo paréntesis de

varios años, habiendo pasado la euforia inicial

de los primeros datos escáner, dos profesores,

Inman y McAlister (1993), crean un modelo

para analizar la política promocional en los de-

tallistas. Consideran lo que llaman la sensibili-



dad de la señal promocional (“promotion signal

sensivity”) como una variable dentro del modelo

de rentabilidad del detallista. Mulhern y Padgett

(1995) presentan un estudio de la relación entre

los precios regulares de los productos y las ven-

tas producidas por la promoción, incluyendo la

naturaleza multiproducto de las promociones de

precio. El panel también se utiliza para estudiar

los efectos de la publicidad en televisión en las

ventas y preferencia de marcas de las amas de

casa (Tellis & Weiss, 1995).

Desde 1996 se dispara la producción de in-

vestigaciones basadas en los datos escáner de

panel de detallistas. El primer trabajo se publica

en enero de ese mismo año, es de Dhar y Hoch

(1996). Pocos meses después, en abril de ese

mismo año, se publica el trabajo de Narasimhan,

Neslin y Sen (1996), en el que investigan sobre

la relación entre la categoría de producto y la

elasticidad promocional. Solo tres meses des-

pués, Litwak (1996), analiza las ventas de un

número mayor de categorías de producto duran-

te todo un año.

Son también recientes las concepciones de

Jonas Andersson y Johan Lyhagen (1999) sobre

la base de los llamados modelos de memoria a

largo plazo. Las anteriores aportaciones teóricas,

han servido de base para el desarrollo de recien-

tes aplicaciones prácticas, facilitándose el uso de

modelos de panel con elevada dimensión tem-

poral y transversal simultáneamente. De esta

forma, para comparar los efectos que la publici-

dad en televisión y la promoción tenían en las

ventas, se utilizó el modelo STAS (Short-Term

Advertising Strength, creado por John Philip

Jones en 1995) y un modelo de regresión logís-

tica, obteniéndose la información de un panel de

mil personas que diariamente recogían la infor-

mación de los medios que veían y las compras

que realizaban; para analizar la exposición en

televisión se utilizó como medida el número de

OTSs (Opportunity-to-see) (F. Hansen, L. Y. Han-

sen, & Grønholdt, 2002). Poco más tarde, tam-

bién se profundizó en los efectos que la publici-

dad de tabaco tenía tanto en el aumento de la

cuota de mercado, como en la transferencia de

clientes de una marca a otra, utilizando datos

de panel con un análisis de ecuaciones lineales

(Gius, 2004).

La primera reseña bibliográfica de un autor

español utilizando datos escáner del panel de de-

tallistas, tiene lugar en marzo de 1997 y es de una

investigadora especialista en gestión de catego-

rías. Gómez (1997) destaca dentro de los mode-

los econométricos más avanzados el SCAN*PRO

para reflejar el impacto de las promociones sobre

las ventas de una referencia y sobre una categoría

en su conjunto. En diciembre de ese mismo año,

y siguiendo esta misma línea de investigación,

Yustas (1997) hace una descripción algo más de-

tallada de lo que están suponiendo las nuevas

tecnologías en entorno escáner del panel de deta-

llistas. Señala las características del nuevo panel

de detallistas, define los conceptos de ventas base

(“baseline”) y ventas incrementales, y enumera

nuevos indicadores útiles para profundizar en el

análisis de las promociones.

2.3. Métodos y técnicas de análisis uti-lizadas en el estudio de la relación publicidad-ventas

La relación entre la publicidad y las ventas ha

sido estudiada con análisis muy variados, gene-

ralmente cuantitativos, teniendo la experimen-

tación un peso importante en los mismos. De

esta forma, para analizar las modificaciones en

la publicidad y su influencia en las ventas, se

utilizó un experimento controlado en un estu-



dio pionero, que explicaba además las dificul-

tades de obtener condiciones adecuadas para

realizarlo, así como para controlar debidamente

las variables de dicho experimento (Benesch,

1952). Con experimentación también se han

estudiado los efectos a corto y medio plazo de la

publicidad en el consumo familiar (Winer, 1980),

así como la influencia de la publicidad compa-

rativa en las ventas, a través de un experimento

realizado con alumnos en clases y también en

supermercados (Demirdjian, 1983).

Años más tarde, la experimentación permitió

averiguar que la calidad de la publicidad era

más importante que la cantidad, y que esto afec-

taba directamente a la inversión en los medios

de comunicación; para ello, se utilizó un expe-

rimento con variantes del modelo de retardos

distribuidos de Koyck (Leach & Reekie, 1996).

Además, los experimentos se utilizaron para

analizar el efecto de retardo de la publicidad en

función de los medios de comunicación utiliza-

dos (Berkowitz, Allaway, & Souza, 2001), así

como sus influencias (tanto positivas como ne-

gativas) en las ventas futuras (Simester, Hu,

Brynjolfsson, & Anderson, 2009).

Por otra parte, las técnicas de análisis multi-

variable han sido las más habituales. En este sen-

tido, para estudiar los efectos de distintos tipos

de publicidad en las ventas de cinco marcas

competidoras se utilizó la estimación por míni-

mos cuadrados, así como coeficientes de regre-

sión y estimadores multivariables (Beckwith,

1972), y en su día, también se empleó un nove-

doso análisis para estudiar la interacción entre la

publicidad y las ventas, el análisis espectral cru-

zado combinando diferentes series temporales

(Barksdale, Hilliard, Guffey & Hugh 1974). Asi-

mismo se utilizó una función sigmoidal, anali-

zando estadísticamente la curva logística, con el

fin de estudiar la relación entre la publicidad y

la cuota de mercado (J. K. Johansson, 1979), y se

empleó poco tiempo después el análisis multiva-

riable de la varianza MANOVA para examinar las

diferentes aportaciones presupuestarias de los

departamentos de ventas y de publicidad (Du-

binsky, Barry & Kerin, 1981). Posteriormente, se

estudiaron los efectos que la publicidad tiene en

el ciclo de vida del producto, utilizándose dos

fases con un test Pierce-Haugh, un análisis uni-

variable ARIMA, así como un análisis chi-cua-

drado (Holak & Tang, 1990).

Mención especial merecen la gran cantidad

de modelos generados para analizar los efectos de

la comunicación en las ventas. Por una parte,

para estudiar el resultado que la publicidad de

una determinada marca podía tener en las ventas

de otra marca diferente, se utilizó uno de los

modelos más habituales, el modelo de Koyck

(Clarke, 1973).

Para examinar los efectos acumulativos de la

publicidad en las ventas se emplearon diferentes

modelos basados en funciones de retardos distri-

buidos modales, y se profundizó en los resulta-

dos con los modelos Nerlove-Arrow y el modelo

Koyck (Mann, 1975). Con este mismo objetivo

también se ha utilizado el modelo Racher (Par-

sons, 1976), la función de transferencia de Box-

Jenkins (Helmer & Johny K. Johansson, 1977),

así como una comparación entre los modelos de

Koyck y de Peles (Clarke, 1979; Peles, 1979).

Por otra parte, para comprobar cómo las dife-

rentes variables del marketing afectaban a las

ventas, y comprobar si la publicidad ayudaba a

aumentar las ventas de una categoría, se utilizó

un modelo estructural de ecuaciones, basado en

el equilibrio perfecto de Markov (Dubé & Man-

chanda, 2005), y para profundizar en los efectos

dinámicos de la publicidad presente y pasada en



las ventas, se utilizó un modelo ADL (autore-

gressive distributed lag model) (Franses, 2006).

3. Planteamiento de hipótesisLa mayoría de las investigaciones publicadas

plantean una relación indirecta, pero positiva, de

la publicidad y las ventas, sin embargo, no son

muchos los modelos que incluyen efectos com-

petitivos y tratan de generalizar los hallazgos

desde una perspectiva internacional de los mer-

cados. Las generalizaciones han venido casi

siempre desde la inclusión de diferentes catego-

rías de productos, pero no desde la inclusión de

diferentes mercados geográficos.

En definitiva, y tomando como referencia los

estudios más relevantes sobre este tema, se plan-

tean las siguientes hipótesis de trabajo:

• H1. La presión publicitaria tiene un efecto

menor que el resto de las variables de mar-

keting, pero positivo sobre las ventas de

una marca (Berkowitz, Allaway, & Souza,

2001).

• H2. La presión publicitaria de la compe-

tencia ejerce una influencia negativa sobre

las ventas de una marca (Danaher, Bonfrer,

& Dhar, 2008).

• H3. La presión publicitaria ejerce una in-

fluencia positiva sobre otras marcas del

mismo fabricante. Este efecto de sinergia

se contrapone, por tanto, a la existencia de

un efecto de canibalización entre marcas

de una misma compañía.

4. MetodologíaPara la realización de este estudio comparativo

se escogieron dos países, en la categoría de deter-

gente para lavavajillas, y se utilizaron datos prove-

nientes del panel de detallistas mediante escáner

de Nielsen. Se eligieron Alemania y España para

la realización del análisis comparativo, ya que la

marca de referencia era la misma en ambos mer-

cados. Existen algunas diferencias inevitables

entre ambos mercados (las cuotas de mercado

varían, y la presencia de la marca del distribui-

dor en Alemania es mucho menor que en España

en la categoría), pero ninguna de estas diferen-

cias afectan de forma directa a la presión publi-

citaria realizada en ellos.

Para cada uno de los dos países se contó con

tres años de información (2002, 2003 y 2004),

recogidos semanalmente. Además, la informa-

ción correspondiente a la presión publicitaria,

medida en GRPs, fue recogida de los paneles de

audiencias de TNS.

Las relaciones entre publicidad y ventas, tal

y como se ha puesto de relieve en los apartados

anteriores, es compleja. Las relaciones funcio-

nales pueden ser no lineales, los efectos suelen

ser retardados, como en el modelo propuesto

por Koyck, e interaccionan con el resto de varia-

bles de marketing (precio, distribución y pro-

mociones de ventas, fundamentalmente). Por

todo ello, las redes neuronales artificiales se uti-

lizaron como herramienta de análisis, ya que

permite tener en cuenta todas las particulari-

dades inherentes a la comunicación publicitaria

y su relación con las ventas.

En su origen, las redes neuronales fueron el

intento de poder realizar una simulación infor-

matizada del comportamiento del cerebro hu-

mano. Algunas de las características del cerebro

son también deseables para cualquier sistema de

procesamiento, entre estas características se en-

cuentran:

d. La robustez y tolerancia a fallos, ya que dia-

riamente mueren neuronas sin afectar a su

funcionamiento.



e. La flexibilidad, se ajusta a nuevos ambien-

tes por aprendizaje, no hay que progra-

marlo.

f. La facilidad de manejo de información di-

fusa, con ruido o inconsistente.

Sin embargo, algunos de los inconvenientes

que tiene el uso de redes neuronales son los

siguientes:

g. Complejidad de aprendizaje para grandes

tareas.

h. Tiempo de aprendizaje elevado; los mo-

delos neuronales precisan elevados requi-

sitos de cómputo.

i. Dada las especificaciones del problema,

se desconoce la topología que la va a so-

lucionar de forma más eficiente. Hay que

utilizar el método de prueba de error y la

experiencia del diseñador.

j. Dificultad de interpretar a posteriori lo que

ha aprendido la red (caja-negra), y en caso

de que se produzca un fallo en el apren-

dizaje será complicado detectar las causas

de este.

k. Necesidad de muchos datos de entrena-

miento para un correcto aprendizaje y ge-

neralización posterior.

Existen dos sistemas de aprendizaje básicos

que influyen en la estructura de la red y en sus

resultados: el supervisado y el no-supervisado.

En el aprendizaje supervisado, las entradas y sa-

lidas de la red son conocidas de antemano. En

este caso, la red se entrena al ir conociendo las

relaciones que se producen entre los datos de

entrada y los datos de salida. Por tanto, el inves-

tigador conoce cuáles son exactamente los resul-

tados que desea obtener con la red. En el apren-

dizaje no-supervisado, se conocen los datos de

entrada pero no los de salida. Por tanto, la red no

tiene modelos de los que aprender y la respuesta

obtenida es algún tipo de relación entre los datos

de entrada. A menudo se producen salidas en

forma de grupos de datos similares entre sí,

como ocurre en un procedimiento de clustering.

Por otra parte, el modo de operación hace re-

ferencia a la forma en que la red neuronal proce-

sa los estímulos externos y crea la respuesta de

salida. Una red puede pertenecer a las siguientes

categorías:

a. Redes estáticas: una vez establecido el va-

lor de las entradas, las salidas alcanzan un

valor estacionario independientemente de

las entradas en el instante anterior, y en un

tiempo siempre por debajo de una cota

concreta. Estas redes se pueden caracte-

rizar estructuralmente por la inexistencia

de bucles de realimentación y de elemen-

tos de retardo. Debido a su funcionamien-

to, tienen una capacidad limitada para sin-

tetizar funciones dependientes del tiempo

en comparación con el siguiente tipo.

b. Redes dinámicas: responden de forma di-

ferente ante distintas secuencias de entra-

das, haciendo uso de manera implícita o

explícita de la variable tiempo. Este aspec-

to las hace en principio más idóneas que

las redes estáticas para la síntesis de fun-

ciones en las que aparezca de alguna forma

el parámetro tiempo. (Ver Tabla 1 · pag.85)

Las aplicaciones en comunicación y marke-

ting de las RNA son cada vez más frecuentes,

aunque rara vez traspasan el ámbito académi-

co. La Tabla 2 muestra de forma breve algunas

de las aportaciones más interesantes en este

campo. Cada uno de los tres modelos desarro-

llados fue estimado mediante RNA, y para po-



der evaluar su grado de ajuste, se utilizó un

periodo de 15 semanas que no fue utilizado

durante la fase de aprendizaje de la red, y que

sería útil para comparar las predicciones reali-

zadas por la red frente a los datos originales

reales.

Fuente: Vivaracho, C. E. y Moro, Q. I.

Tabla nº 1 · Tipos de aprendizaje

ParadigmaRegla de aprendizaje

Arquitectura Algoritmo de aprendizaje Tareas

Supervisado Corrección del error

Boltzmann

Competitivo

Percepción o perceptrón multicapa.

Elman y Jordan recur-rentes

Recurrente

Competitivo

Red ART

Algoritmos de aprendizaje perceptrón, retropropagación del error.ADALINE.MADALINE

Retropropagación del error

Algoritmo de aprendizaje BoltzmannLVQ

ARTMap

Clasificación de patrones, aproximación de funciones, predicción, control.

Síntesis de series temporalesClasificación de patrones

Categorización intra-clasecompresión de datos

Clasificación de patrones, categorización intra-clase

No supervisado Corrección del error

Competitiva

Red de Hopfield

Multicapa sin realimentaciónCompetitiva

SOM

Redes ART

Aprendizaje de memoria asociativaProyección de Sannon

VQ

Kohonen SOM

ART1 · ART2

Memoria Asociativa

Análisis de datos

Categorización, compresión de datos

Categorización análisis de datos

Categorización

Por refuerzo Hebbian Multicapa sin realimen-tación

Sin realimentación o competitiva

Análisis lineal de discrimi-nante

Análisis de componentes principales

Análisis de datos clasifi-cación de patrones

Análisis de datos compre-sión de datos

Híbrido Corrección de er-ror y competitivo

Redes RBF Algoritmo de aprendizaje RBF

Clasificación de patrones, aproximación de funciones, predicción, control



Tabla nº 2 · Redes Neuronales Artificiales en la Comunicación y el Marketing

Título Autor Publicación Año Aportaciones

Identification of factors predicting clickthrough in Web searching using neu-ral network analysis

Zhang, Jansen, Spink

Journal of the American Socieety for Information Science & Technology

2009 Las redes neuronales se utilizan para identi-ficar los factores que ayudan a predecir las búsquedas en Internet, así como el click-through rate.

Market orientation and performance: modelling a neural network

Silva, Moutinho, Coelho,Marques

European Journal of Marketing

2009 Estudio centrado en analizar el rendimiento de la orientación al mercado, utilizando las redes neuronales

Understanding the effects of pharmaceutical promo-tion: a neural network approach guided by genetic algorithm-partial least squarres

Chee Wooi, Kirikoshi

Health Care Manage-ment Science

2008 Investigación sobre los efectos que la pro-moción de productos farmacéuticos tiene en las prescripciones posteriores

Shelf space assigned to store and national brands: a neural networks analysis

Suárez, M.G. International Journal of Retail & Distribution Management

2005 Las redes neuronales se utilizan para analizar el espacio asignado a los productos en las estanterías de los establecimientos.

An Artificial Neural Net Attraction Model to anal-ize market share effects of marketing instruments.

Harald Hruschka Schmalenbach Business Review : ZFBF

2001 Utilizando datos de panel, se demuestra la idoneidad de esta técnica en el análisis de la elasticidad de los precios.

Data mining and model-ing as a marketing activity.

James J Vanecko, Andrew W Russo

Direct Marketing 1999 Introducción conceptual a las RNA y a técnicas alternativas de estimación en el marketing directo.

Comparing performance of feedforward neural nets and K-means for cluster-based market segmenta-tion.

Hruschka, Harald, Natter, Martin

European Journal of Operational Research

1999 Comparación de las RNA y del algoritmo K-medias para segmentación en marketing.

Neural networks for the analysis and forecasting of advertising and promotion impact

Poh, Jingtao, Teo International Journal of Intelligent Systems in Accounting Finance & Management

1998 Las redes neuronales se utilizan para pre-decir el impacto de la publicidad y la pro-moción de ventas.

Applying neural comput-ing to target marketing.

Zahavi, Jacob, Levin, Nissan.

Journal of Interactive Marketing.

1997 Aplicación de las RNA al marketing directo, optimizando las tasas de respuesta propor-cionadas por otras técnicas auxiliares.

Prediction of customer segments with neural nets.

Kvaal, Knut, Dj-upvik, Harald

Marketing and Research Today.

1996 Análisis y clasificación de individuos, cuando el número de segmentos a los que pertene-cen es conocido.

(Continúa en página siguiente)



Para la aplicación del modelo neuronal, se

utilizaron algoritmos genéticos, que dieron como

resultado una topología neuronal con dos capas

ocultas que se presenta en la Figura 1. En este

caso, la red era de aprendizaje supervisado, y

con componentes recurrentes para incorporar el

efecto tiempo (red dinámica).

Como variables dependientes o neuronas de

salida, se utilizaron las ventas en volumen de la

Marca A. En el estudio se utilizaron dos marcas

que pertenecían al mismo fabricante, y que deno-

minaremos marcas A y B. El objetivo es incorpo-

rar posibles efectos de canibalización o sinergias

entre estas dos marcas. También se incorporaron

dos marcas competidoras, identificadas como

“competidor 1” y “competidor 2”. Finalmente, se

incluyó la marca del distribuidor, dada la impor-

tancia de su presencia en este mercado.

5. ResultadosTras el entrenamiento de la red, en el que no se

incluyeron 15 periodos para utilizarlos como

muestra de validación, los resultados de ajuste

para Alemania fueron del 92.5%. El Gráfico 1

muestra las ventas reales frente a las estimadas

por el modelo neuronal.

Título Autor Publicación Año Aportaciones

Using neural nets to ana-lyze qualitative data.

Moore, Karl, Burbach, Robert, Heeler, Roger

Marketing Research 1995 Análisis de textos derivados de técnicas de investigación cualitativas con RNA.

Modelling methodology: Basics to neural nets - A return to ignorance?

Freeman, Paul, Rennolls, Keith

Market Research Society. Journal of the Market Research Society.

1994 Los autores cuestionan la posibilidad de interpretar correctamente los resultados de una red neuronal en marketing y en comu-nicación, y sus aplicaciones en la práctica real de las organizaciones.

Figura 1 · Topología Neuronal

Tabla 3 · Variables incluidas en el análisis para cada una de las marcas

Distribución ponderada

Promoción Precio

Promoción Folleto y Exposición especial

Promoción Folleto

Promoción Exposición especial

Precio

GRP’s

Las variables independientes, o neuronas de

entrada, utilizadas para el análisis fueron las que

se mencionan en la Tabla 3. Todas las variables

que se analizaron fueron las mismas para todas

las marcas, excepto para la marca del distribui-

dor, que no mostraba actividad publicitaria en el

período de estudio, y también fueron las mismas

para España y Alemania.



El periodo de validación de 15 semanas también ofreció un ajuste satisfactorio, del 98.3%. El Grá-

fico 2 muestra las diferencias entre las ventas reales y las predicciones realizadas por la red neuronal.

Gráfico 2 · Ventas reales y ventas previstas por la RNA.

Marca A. Alemania (período de validación)

Gráfico 1 · Ventas reales y ventas estimadas a lo largo del tiempo

Marca A. Alemania.



En el caso de España, los resultados no fueron

muy distintos. Se obtuvo un 98% en el período de

entrenamiento y un 99% en el periodo de valida-

ción. Los Gráficos 3 y 4 muestran estos ajustes.

Gráfico 3 · Ventas reales y ventas previstas por la RNA. Marca A. España

Gráfico 4 · Ventas reales y ventas previstas por la RNA.Marca A. España (periodo de validación)



En cuanto a las contribuciones realizadas por

cada variable a las ventas, los gráficos adjuntos,

separados por grupos, presentan los resultados

más relevantes. En primer lugar, se presentan las

relaciones directas con la Marca A, después las

relaciones con la otra marca (Marca B) del mismo

fabricante, para terminar con la influencia de las

variables relativas a los competidores 1 y 2. Los

resultados de Alemania se incluyen en el Gráfico

5, en el que se puede observar qué herramientas

de comunicación y qué GRPs en publicidad afec-

tan más a las ventas. En un tono gris oscuro apa-

recen las contribuciones positivas (es decir, a me-

dida que aumenta esa variable, también aumentan

las ventas), y en gris claro aparecen las contribu-

ciones negativas (cuanto más aumenta la varia-

ble, menores son las ventas de referencia).

Por ejemplo, para la Marca A, en Alemania,

todas las contribuciones son positivas, excepto la

variable “precio promoción”. Incluso la variable

precio, que se espera tenga una contribución ne-

gativa, aparece con valores positivos, aunque

prácticamente insignificantes (0,68%).

En España, las contribuciones se presentan

en el Gráfico 6. No obstante, el grupo de compe-

tidores significativo, está formado tan solo por la

marca del distribuidor. También en este caso se

puede observar la importancia de la publicidad

y la comunicación a las ventas generadas poste-

riormente. (Ver gráfico nº 6, pág. 78)

El análisis de las contribuciones difiere en

cada país, ya que las condiciones de competen-

cia, etc. son sensiblemente distintas, y el com-

portamiento de la presión publicitaria (GRPs)

Gráfico 5 · Contribuciones a las ventas por grupos de variables. Alemania.



también lo es. De hecho, el resultado más signi-

ficativo es que en Alemania, un mercado con

una estructura competitiva más compleja al te-

ner un mayor número de marcas en competen-

cia, la presión publicitaria no ejerce ninguna in-

fluencia significativa sobre las ventas de la marca

A, pero sin embargo sí lo hace la comunicación

publicitaria de la marca B (0,96%)

En el caso de Alemania, el “precio promo-

ción” y la distribución son los elementos que

más afectan a las ventas desde el punto de vista

de la gestión de la Marca A. Por otro lado, tal

como se presenta el estudio de la variable publi-

citaria, la inversión no parece tener un efecto

importante sobre las ventas de la marca. En el

mismo sentido, aparece un efecto imprevisto en

la contribución de la presión publicitaria del

competidor 2 (GRP’s Comp. 2), ya que es positi-

va y, por lo tanto, un aumento en la actividad

publicitaria de la competencia, beneficia a la

marca A. Este efecto, sin embargo, no es nuevo

en la literatura, y se pueden encontrar estudios

en los que la presión publicitaria beneficia a toda

una categoría, y muy especialmente al líder de la

misma (Simester, Hu, Brynjolfsson, & Anderson,

2009).

De hecho, el efecto de positivo de la inversión

publicitaria del “competidor 2” es incluso mayor

que el efecto de la marca B, siendo esta del mis-

mo fabricante (1,95%).

Los resultados para España muestran un es-

quema más acorde con lo encontrado en la lite-

ratura, en el que la influencia de la presión pu-

blicitaria de la marca A es positiva y con una

importancia relativamente alta (1,42%), pero

muy lejos de los efectos de la distribución o del

Gráfico 6 · Contribuciones a las ventas por grupos de variables. España.



precio (contribución negativa de 8,19). En el

mismo sentido que los resultados encontrados

para Alemania, la presión publicitaria de la mar-

ca B, perteneciente al mismo fabricante, ejercen

una influencia positiva sobre las ventas, pero de

menor intensidad que la de la propia marca

(0,50%). Todo ello, teniendo en cuenta o con-

trolando el resto de variables, entre las que el

precio de la marca B, supone la mayor contribu-

ción positiva sobre las ventas de A encontrada en

el estudio (53,94%).

6. Conclusiones y limitaciones de la investigaciónTras el análisis de los resultados obtenidos, se

confirma el efecto sinérgico de las marcas de un

mismo fabricante y se confirma la Hipótesis 3

(H3), aunque la contribución de la presión pu-

blicitaria a las ventas es sensiblemente inferior a

las variables “precio” y “distribución”, que pare-

cen ser la clave en este mercado. Estas dos últi-

mas variables mantienen su importancia relativa

en un mercado geográficamente distinto, y las

contribuciones de la inversión publicitaria si-

guen siendo modestas en relación a ellas, hallaz-

go que corroboran otros estudios de la materia y

confirma la Hipótesis 1 (H1).

No obstante, el efecto negativo de la presión

publicitaria de la competencia no se confirma, y

aparece un efecto de “sinergia hacia la categoría”,

que beneficia a la marca estudiada. Por tanto, se

rechaza H2, y se hace necesario profundizar en

las razones que hacen que este efecto esté pre-

sente en mercados de gran consumo. Las impli-

caciones gerenciales pueden ser muy relevantes,

ya que todas las variables elegidas son acciona-

bles, y los resultados pueden mostrar cursos de

acción que beneficien a las marcas o a toda una

categoría de productos.

A través de la investigación desarrollada, pa-

rece clara la capacidad predictiva de las redes

neuronales, así como su capacidad para extraer

información útil para las decisiones de comuni-

cación dentro de la estrategia de marketing. Des-

de el punto de vista de la publicidad y el marke-

ting, los resultados proporcionan herramientas

muy interesantes para el estudio de la publici-

dad en las relaciones entre productos y/o marcas

de un mismo fabricante.

La extensión de este tipo de investigaciones al

ámbito internacional supone una perspectiva

poco explorada, pero necesaria para poder com-

prender mejor los mecanismos de la publicidad,

los instrumentos del marketing y sus interaccio-

nes. No obstante, sería deseable incorporar un

número mayor de mercados, así como disponer

de series temporales de mayor longitud que con-

soliden los resultados aquí presentados.



Bibliografía

Abraham, M. & Lodish, L. (1987). An implemented system

for improving promotion productivity using store scanner

data. Marketing Science, 12 (3), 248-269.

Andersson , J. y Lyhagen, J. (1999). A long Memory Panel

Unit Root Test: PPP revisited. Working Paper Series in Eco-

nomics and Finance, Nº 3030. Stockholm School of Econo-

mics.

Arnold, S. J., Oum, T. H., Pazderka, B. & Snetsinger, D. W.

(1987). Advertising quality in sales response models. Jour-

nal of Marketing Research, 24 (1), 106-113.

Assmus, G., Farley, J. U., & Lehmann, D. R. (1984). How

Advertising Affects Sales: Meta-Analysis of Econometric Re-

sults. Journal of Marketing Research, 21(1), 65.

Baltagi, B. H., Heun Song, S., Cheol Jung, B. & Koh, W.

(2007). Testing for serial correlation, spatial autocorrelation

and random effects using panel data. Journal of Econometrics,

140 (1), 5-51.

Barksdale, H. C., Hilliard, J. B., Guffey Jr. & Hugh, J.

(1974). Spectral analysis of advertising-sales interaction: an

illustration. Journal of Advertising, 3 (4), 26-39.

Bass, F. M., & Clarke, D. G. (1972). Testing Distributed Lag

Models of Advertising Effect. Journal of Marketing Research,

9(3), 298.

Beckwith, N. E. (1972). Multivariate Analysis of Sales Res-

ponses of Competing Brands to Advertising. Journal of Mar-

keting Research, 9(2), 168.

Benesch, C. (1952). Sales Tests as a Measure of Advertising

Effectiveness. Journal of Marketing, 17(2), 178.

Berkowitz, D., Allaway, A., & Souza, G. D. (2001). Estima-

ting Differential Lag Effects for Multiple Media Across Mul-

tiple Stores. Journal of Advertising, 30 (4), 59-65.

Bernard, A. y Jones, C. (1986). Productivity across Indus-

tries and Countries: Time Series Theory and Evidence. Re-

view of Economics and Statistics, 78, pp. 135-146.

Bhargava, A., Franzini, L. & Narendranathan, W. (1982).

Serial correlation and the fixed effects model. Review of Eco-

nomic Studies, 49, 533-549.

Breitung, J. & Meyer, W. (1994). Testing for unit roors in

panel data: are wages on different bargaining levels cointe-

grated. Applied Economics, 26, 336-353.

Capps, O. (1989), Utilizing Scanner Data to Estimate Retail

Demand Functions for Meat Products, American Agricultur-

al Economics Association, 71 (3), 750-760.

Chee Wooi, L. & Kirikoshi, T. (2008). Understanding the

effects of pharmaceutical promotion: a neural network ap-

proach guided by genetic algorithm-partial least squares.

Health Care Management Science, 11(4), 359-372.

Clarke, D. G. (1973). Sales-Advertising Cross-Elasticities

and Advertising Competition. Journal of Marketing Research,

10(3), 250.

Clarke, D. G. (1979). Measuring the Cumulative Effects of

Advertising on Sales: A Response to Peles. Journal of Marke-

ting Research, 16(2), 286.

Danaher, P. J., Bonfrer, A., & Dhar, S. (2008). The Effect of

Competitive Advertising Interference on Sales for Packaged

Goods. Journal of Marketing Research, 45(2), 211-225.

Demirdjian, Z. S. (1983). Sales effectiveness of comparative

advertising: an experimental field investigation. Journal of

Consumer Research, 10 (3), 362-364.

Dhar, S. K. y Hoch, S. J. (1996), Price Discrimination Using

In-Store Merchandising, Journal of Marketing, 60 (1), 17-30.

Dubé, J.-P., & Manchanda, P. (2005). Differences in Dyna-

mic Brand Competition Across Markets: An Empirical

Analysis. Marketing Science, 24(1), 81-95.

Dubinsky, A. J., Barry, T. E. & Kerin, R. A. (1981). The sales-

advertising interface in promotion planning. Journal of Ad-

vertising, 10 (3), 35-41.

Farris, P. W. & Reibstein, D. J. (1984). Overcontrol in adver-

tising experiments. Journal of Advertising Research, 24(3),

37-42.

Franses, P. H. (2006). Estimating confidence bounds for

advertising effect duration intervals. Journal of Marketing,

35(2), 33-37.

Freeman, P. & Rennolls, K. (1994). Modelling methodolo-

gy: basics to neural nets. A return to ignorance? Journal of

the Marketing Research Society, 36 (1), 69-77.

Gius, M.P. (2004). Analysis of advertising in the US cigarette

industry. Journal of Business & Economic Studies, 10 (1), 29-34.

Gold, L. N. (1992). Let’s heavy up in St. Louis and see what

happens. Journal of Advertising Research, 32 (6), 31-38.


83Bibliografía

Gómez, Carmen (1997), ¿Qué pasa con las Promociones en

el Punto de Venta?, IPMark, 482, 44-46.

Hadri, K. (1998). Testing for Stationarity in Heterogeneous

Panel Data. Working Paper. Department of Economics. City

University. London.

Hadri, K. (1999). Testing the Null Hypothesis of Stationari-

ty against the Alternative of a Unit Root in Panel Data with

Serially Correlated Errors. Working Paper. Department of

Economics. City University. London.

Hansen, F., Hansen, L. Y., & Grønholdt, L. (2002). Mode-

lling purchases as a function of advertising and promotion.

International Journal, (1979), 115-135.

Helmer, R. M., & Johansson, Johny K. (1977). An Exposi-

tion of the Box-Jenkins Transfer Function Analysis with an

Application to the Advertising-Sales Relationship. Journal of

Marketing Research, 14(2), 227.

Holak, S. L., & Tang, Y. E. (1990). Advertising’s Effect on the

Product Evolutionary Cycle. Journal of Marketing, 54(3), 16.

Hruschka, H. (2001). An artificial neural net attraction mo-

del (ANNAM) to analyze market share effects of marketing

instruments. Schmalenbach Business Review, 53 (1), 27-40.

Hruschka, H. & Natter, M. (1999). Comparing performan-

ce of feedforward neural nets and K-means for cluster-based

market segmentation. European Journal of Operational Re-

search, 114 (2), 346-353.

Inman, J. J. & Mcalister, L. (1993). A Retailer Promotion

Policy Model Considering Promotion Signal Sensitivi-

ty, Marketing Science, 12 (4), 339-356.

Johansson, J. K. (1979). Advertising and the S-Curve: A

New Approach. Journal of Marketing Research, 16(3), 346.

Kvaal, K. & Djupvik, H. (1996). Prediction of customer

segments with neural nets. Marketing&Research Today, 29,

247-253.

Kwiatkowski, D., Phillips, P.C., Schmidt, P.J. & Shin, Y.

(1992). Testing the null hypothesis of stationarity against

the alternative of a unit root: how sure are we that economic

series have a unit root?. Journal of Econometrics, 56, 285-

302.

Leach, D., & Reekie, W. D. (1996). A natural experiment of

the effect of advertising on sales: the SASOL case. Applied

Economics, 28(9), 1081-1091.

Levin, A. & Lin, C. (1992). Unit root tests in panel data:

asymptotic and finite-sample properties. Discussion paper

92-23.

Litwak, D. (1996), What price sales glory?, Supermarket

Business, 51 (7), 25-35.

Luan, Y. J., & Sudhir, K. (2010). Forecasting Marketing-Mix

Responsiveness for New Products. Journal of Marketing Re-

search, 47(3), 444-457.

Mann, D. H. (1975). Optimal Theoretic Advertising Stock

Models: A Generalization Incorporating the Effects of Dela-

yed Response from Promotional Expenditure. Management

Science, 21(7), 823-832.

Moore, K., Burbach, R. & Heeler, R. (1995). Using neural

nets to analyze qualitative data. Marketing Research, 7 (1),

34-39.

Mulhern, F. J. & Padgett, D. T. (1995), The Relationship

Between Retail Price Promotions and Regular Price Purchas-

es, Journal of Marketing, 59 (4), 83-90.

Narasimhan, C., Neslin, S. A. & Sen, S. K. (1996), Promo-

tional Elasticities and Category Characteristics, Journal of

Marketing, 60 (2), 17-30.

Parsons, L. J. (1976). A Rachet Model of Advertising Carr-

yover Effects. Journal of Marketing Research, 13(1), 76.

Peles, Y. C. (1979). Econometric Measurement of the Dura-

tion of Advertising Effect on Sales: A Comment. Journal of

Marketing Research, 16(2), 284.

Poh, H., Jingtao, Y. & Teo, J. (1998). Neural networks for

the analysis and forecasting of advertising and promotion

impact. International Journal of Intelligent Systems in Accoun-

ting Finance & Management, 7 (4), 253-268.

Silva, M., Moutinho, L., Coelho, A. & Marques, A. (2009).

Market orientation and performance: modleling a neural

network. European Journal of Marketing, 43 (3/4), 421-437.

Simester, D., Hu, Y. (Jeffrey), Brynjolfsson, E., & Anderson,

E. T. (2009). Dynamics of Retail Advertising: Evidence

From a Field Experiment. Economic Inquiry, 47(3), 482-499.

Suárez, M.G. (2005). Shelf space assigned to store and na-

tional brands: a neural networks analysis. International Jour-

nal of Retail & Distribution Management, 33 (11), 858-878.



Tellis, G. J., & Weiss, D. L. (1995). Does TV Advertising

Really Affect Sales? The Role of Measures, Models, and Data

Aggregation. Journal of Advertising, 24 (3), 1-20.

Vanecko, J.J. & Russo, A.W. (1999). Data mining and mode-

ling as a marketing activity. Direct Marketing, 62 (5), 52-55.

Vivaracho, C.E. & Moro, Q.I. (2001). A comparative study

of MLP-based artificial neural networks in text-independent

speaker verification against GMM-based systems. Euros-

peech Scandinavia.

Winer, R. S. (1980). A Longitudinal Model to Decompose

the Effects of an Advertising Stimulus on Family Consump-

tion. Management Science, 26(1), 78-85.

Wittink, Dick R.; M. J. Addona; W. J. Hawkes & J. C. Porter

(1987), SCANPRO: a model to measure short-term effects

of promotional activities on brand sales, based on store-

level scanner data, Working Paper, Johnson Graduate

School of Management, Cornell University, Ithaca, New

York.

Yustas López, Yolanda (1997), Avanzando en el Análisis de

la Actividad Promocional. La Nueva Tecnología Escán-

er, MK. Marketing+Ventas, 120, 35-39.

Zahavi, J. & Levin, N. (1997). Applying neural computing

to target marketing. Journal of Direct Marketing, 11 (1),

5-22.

Zhang, Y., Jansen, B.J. & Spink, A. (2009). Identification of

factors predicting clickthrough in Web searching using neu-

ral netword analysis. Journal of the American Society for Infor-

mation Science & Technology, 60 (3), 557-570.


Estimación de los efectos de la publicidad en las ventas. Un … · 2019-02-19 · Estimación de...

Documents

Transcript of Estimación de los efectos de la publicidad en las ventas. Un … · 2019-02-19 · Estimación de...